Mākslīgais intelekts pret klasisko algoritmisko programmēšanu

Virzība uz mākslīgo intelektu no klasiskās algoritmiskās programmēšanas

Mākslīgā intelekta sasniegumi ir ļāvuši efektīvi atrisināt sarežģītas skaitļošanas problēmas, kas iepriekš bijušas grūti atrisināmas, neapgūstamas vai stipri kombinatoriskas. Šīs problēmas ietver sejas atpazīšanu, objektu noteikšanu, maršruta plānošanu un ļoti personalizētas tiešsaistes ieteikumu sistēmas.

Organizāciju izaicinājums nākotnē ir stratēģisko lēmumu pieņēmējiem izvēlēties starp tradicionālajām klasiskajām pieejām un mākslīgā intelekta pieejām, lai risinātu sarežģītas skaitļošanas problēmas. Katrai metodei ir unikāli izaicinājumi, nodrošinot izturīgu sistēmu tādos aspektos kā precizitāte, izmaksas, ieviešanas grūtības un uzturēšana.

Klasiskās algoritmiskās programmēšanas pieeja problēmu risināšanai

Klasiskās programmēšanas paradigma ietver problēmu risināšanu, izmantojot preskriptīvus algoritmus un labi definētu instrukciju secību. Ievades ir definētas un ierobežotas, izstrādājot algoritmus, lai apstrādātu ievades, izmantojot definētas programmēšanas paradigmas (procedurālā, objektorientētā, funkcionālā un loģiskā), lai iegūtu izvades.

Algoritmu atklāšana laikā un telpā efektīvu problēmu risināšanai ir zināmi sarežģīta. Aprēķinu kompleksitātes teorijā problēmas ir vai nu P (Polinomiālas), NP (Nedeterministiski polinomiālas), NP-Complete vai NP-Hard. Polinomiālas problēmas var atrisināt un pārbaudīt ātri, savukārt nepolinomiālas problēmas nevar. NP problēmas ir grūti atrisināt, izmantojot klasiskās algoritmiskās pieejas.

P problēmas piemērs ir īsākā ceļa atrašana starp diviem punktiem, savukārt NP problēmas piemērs ir ceļojošā pārdevēja problēma, kur, ņemot vērā virkni vietu, kāds ir optimālais ceļš, lai apmeklētu visas vietas, veicot pēc iespējas īsāko attālumu. Notiek tā, ka daudzas no problēmām, kas pašlaik ir jāatrisina skaitļošanas ceļā, ietilpst NP kategorijā. Vairākumā gadījumu praktiskiem nolūkiem aptuvenais risinājums bieži ir pietiekams. Pielāgojoties ikdienas dzīvei, cilvēki vienmēr atrod aptuvenus risinājumus, piem., navigāciju.

Pastāv ieviešanas izaicinājumi, risinot problēmas klasiskā algoritmiskā paradigma ietvaros efektīvā veidā. Algoritmiskā sarežģītība ir datorzinātņu nozare, kas nodarbojas ar to, cik efektīvi algoritmi darbojas laika (laika sarežģītība) un telpas (telpas sarežģītība) jomās.

Lai gan ir daudz dažādu veidu, kā ieviest algoritmus, acīmredzams, bet potenciāli neefektīvs veids, kā ieviest algoritmu, bieži tiek saukts par “naivu” algoritmu. Vairākus efektīvus algoritmus nav viegli atklāt, un datorzinātnieki jau daudzus gadus strādā, lai atrastu labākos algoritmus problēmu klašu risināšanai. Ražošanas sistēmu algoritmi tiek ieviesti laikā un telpā efektīvos veidos. Lielākās programmatūras kompānijas nodrošina augstākos algoritmiskos standartus, izmantojot peer-programming, līdzīgi kā peer-review. Lai efektīvi ieviestu algoritmus, ir nepieciešami daudzi apmācības gadi un augsts prasmju līmenis.

Praktiskā nozīmē, lai gan programmēšanas tehnikas ir attīstījušās un programmēšanas valodu (t.i., C, C++, Java, JavaScript, PHP, Python) popularitāte ir mainījusies, pamatprincipi ir palikuši tie paši kopš Bell Labs 1970. gados uzrakstīja pirmos C moduļus. Ir daži praktiski veidi, kā likt teorētiski sarežģītām problēmām darboties ražošanā, piemēram, izmantojot izkliedētās sistēmas. Uzlabotas pieejas prasa augstākas izmaksas un pārsniedz visu, izņemot tehnoloģiski visprogresīvāko organizāciju, iespējas.

Ņemot vērā klasisko algoritmisko programmēšanas pieeju sarežģītību, organizācijām jau sen ir bijis grūti izveidot efektīvas komandas, lai radītu šādas sistēmas iekšēji. Turklāt daudzas ir arī cietušas, lai atrastu ārējos pakalpojumu sniedzējus, kas atrisinātu nišas izaicinājumus, kurus teorētiski ir iespējams ieviest. Konkrēta algoritma izstrāde kļūst ievērojami sarežģītāka, pieaugot problēmas sarežģītībai. Tas jo īpaši attiecas uz daudzmainīgo problēmām. Vislabāk ir izmantot klasiskās algoritmu pieejas situācijās, kad algoritms var ātri atrisināt problēmu un darbojas vairumā gadījumu.

AI pieeja problēmu risināšanai

Mākslīgā intelekta paradigma centās risināt problēmas vispārīgi, ievadot sistēmā ievades un vēlamos izvades datus, ļaujot sistēmai pašai apgūt, kā risināt problēmas. Pašreizējās AI pieejas darbojas klasiskajos datoros, izmantojot klasiskās programmēšanas tehnikas. Visu aizraujošākās AI metodes ir neironu tīkli un pastiprināšanas mācīšanās.

Mākslīgie neironu tīkli izmanto cilvēka izpratni par to, kā cilvēka prāts mācās un vispārina problēmas. Pastiprinājuma mācīšanās izmanto aģentus, ievadot mērķa stāvokli un virkni scenāriju. Mācīšanās algoritms saglabā vēlamākos rezultātus un atmet nelabvēlīgos rezultātus vairāku atkārtojumu laikā. Pastiprinājuma mācīšanās ir analoģiska operantajai kondicionēšanai. Aģents mācās, kā sasniegt mērķi daudzu apmācības atkārtojumu laikā.

Prasība mākslīgā intelekta risinājumu apmācībai ir vai nu labi definēta plaša datu kopa, ko parasti apkopo, izmantojot dažādu datu noliktavu vai pūra avotu kombināciju, vai arī sistēma var iemācīties sasniegt mērķa stāvokli, izejot cauri virknei iterāciju. Piemērs tam ir sistēma, kas spēlē spēli pret sevi, piemēram, Šahus vai Go, lai turpmāk mācītos, kā izstrādāt stratēģijas rezultātu uzlabošanai. Mākslīgais tīkls un pastiprinātā mācīšanās tiek darbināti uz scenārijiem, kuriem tie nav apmācīti, un tiek novērtēti līdzīgi kā citas mašīnmācīšanās pieejas. Šīs pieejas labi vispārīgo un nodrošina efektīvus risinājumus noteiktai problēmu klasei. Uz mākslīgo intelektu balstīti risinājumi ir piemēroti problēmām, kuras nevar viegli definēt, izmantojot instrukciju secību; tās drīzāk prasa vairāk "intuīcijas" un vērtību spriedumus.

Parasti mākslīgā intelekta sistēmas tiek apmācītas, izmantojot datu kopas, un vēlāk novērtētas uz novērtēšanas kopas. Jo vairāk augstas kvalitātes apmācības datu tiek ievadīts AI sistēmā, jo lielāka ir sistēmas varbūtība darboties augstā līmenī. AI pieeju priekšrocība ir tā, ka tās var turpināt uzlaboties laika gaitā, jo sistēma mācās vairāk. Tādējādi sarežģītas problēmas var vispārināt un atrisināt ar skaitļošanas sistēmām. Tas ietver problēmas, kas tradicionāli atrisinātas ar cilvēka ieguldījumu, lai gan šauru AI var uzskatīt par papildinājumu esošajam cilvēka ieguldījumam, lai nodrošinātu labākus rezultātus.

Mākslīgo intelektu un mašīnmācīšanos organizācijas jau sen ir uzskatījušas piesardzīgi, jo šādām sistēmām trūkst izsekojamības un nosakāmība par to, kā tās reaģēs uz lietojuma gadījumiem. Tādējādi AI var rīkoties retos apstākļos un reaģēt neprognozējami, kad to vismazāk gaida. Tāpēc ir svarīgi skaidri definēt lietojuma gadījumus, kad AI tiks izmantots, kādi kļūdu līmeņi ir pieņemami un kā AI sistēmu radītās izvades tiks pārbaudītas ar cilvēka ieguldījumu, lai nodrošinātu precizitāti.

Kopumā mēs prognozējam, ka uzlabotais precizitātes līmenis, ko sniegs AI sistēmas, kopā ar efektivitāti, kas iegūta, papildinot cilvēka ieguldījumu, radīs pārāk lielu finansiālu stimulu, lai daudzas organizācijas to nevarētu ignorēt tuvāko gadu laikā; AI sistēmas kļūs visuresošas.

Kad izvēlēties mākslīgo intelektu un kad izvēlēties klasisko algoritmisko programmēšanas pieeju problēmu risināšanai

Lai gan nav stingru un noteiktu noteikumu par to, kad izmantot kuru pieeju, kā vispārīgu noteikumu var minēt, ka problēmas, kurām nepieciešami aptuveni risinājumi un kas ietver mērķtiecīgu ilgtermiņa plānošanu, sarežģītus modeļu atpazīšanas uzdevumus un daudzu mainīgo lielumu apstrādi, ir vairāk piemērotas AI. Klasiskās algoritmiskās pieejas ir labāk piemērotas precīziem vai gandrīz optimāliem risinājumiem, kas ietver smagu loģiku un aprēķinus.

Pareizas pieejas izvēle var dot ievēroamus ieguvumus jūsu organizācijai, savukārt mazāk optimālas metodes izvēle var novest pie ievērojamiem kapitāla zaudējumiem, jo tehnoloģiju projekti ir dārgi. Bieži vien pierādītu un demonstrējamu sistēmu, piemēram, Telemus AI™, izmantošana var palīdzēt organizācijām nodrošināt veiksmi to mākslīgā intelekta digitālajā transformācijā.

Sazinieties ar mums jau šodien bezmaksas konsultācijai par to, kā Telemus AI™ var integrēt jūsu organizācijā.